• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于MD-CGAN的腦部腫瘤圖像生成方法研究

    2022-11-14 07:17:50何敏邱圓易小平郭暢宇
    湖南大學學報·自然科學版 2022年8期
    關鍵詞:生成對抗網(wǎng)絡深度學習

    何敏 邱圓 易小平 郭暢宇

    摘要:深度學習已廣泛用于腦部磁共振(MR)圖像分析中,但腦部腫瘤MR圖像樣本不足會嚴重影響深度學習模型的性能.提出基于多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(MD-CGAN)的樣本生成方法.利用所提出的MD-CGAN生成腦部腫瘤病理區(qū)域圖像,將生成的腦部腫瘤病理區(qū)域圖像覆蓋腦部正常圖像子區(qū)域,合成得到腦部腫瘤MR圖像.MD-CGAN引入的雙對抗損失避免了模型崩塌問題的產(chǎn)生,引入的循環(huán)一致性損失函數(shù)可以保證腦部正常子區(qū)域圖像生成腦部腫瘤病理區(qū)域圖像,從而使得MD-CGAN生成的圖像具有高質量和多樣性.以FID值作為評價指標,利用本文提出的MD-CGAN與近幾年較經(jīng)典的生成網(wǎng)絡生成腦部腫瘤病理區(qū)域圖像并計算FID值.實驗結果表明,本文所提出網(wǎng)絡的FID值比SAGAN、StyleGAN和Style- GAN2的值分別低26.43%、21.91%、12.78%.為進一步驗證本文方法的有效性,利用生成的腦部腫瘤圖像擴充樣本,并依托擴充前后的樣本集進行腦部腫瘤分割網(wǎng)絡訓練.實驗表明,樣本擴充后的分割網(wǎng)絡性能更優(yōu)異.本文方法生成的腦部腫瘤MR圖像質量高、多樣性強,這些樣本可代替真實樣本參與模型的訓練,從而有效解決腦部腫瘤MR圖像訓練樣本不足的問題.

    關鍵詞:深度學習;磁共振圖像;樣本擴充;生成對抗網(wǎng)絡

    中圖分類號:TP391文獻標志碼:A

    Research on Brain Tumor Image Generation Method Based on MD-CGAN

    HE Min1,QIU Yuan1,YI Xiaoping2,GUO Changyu1

    (1. College of Electrical and Information Engineering,Hunan University,Changsha 410082,China;2. Xiangya Hospital of Central South University,Changsha 410031,China)

    Abstract:The samples are insufficient due to the difficulty of obtaining real brain tumor MR images,which seriously affects the performance of deep learning models. Therefore,a sample generation method based on the Multiple Discriminator Cycle-consistent Generative Adversarial Network (MD-CGAN)is proposed in this paper. Firstly,the MD-CGAN model is used to generate brain tumor pathological region images,and then these pathological region images are overlaid with the normal sub-regions of brain images to synthesize brain tumor MR images. Among them,the double adversarial loss introduced by MD-CGAN avoids the problem of model collapse,and the cycle consistency loss function introduced can ensure that the normal brain sub-region images generate the pathological region imagesof brain tumors,so that the images generated by MD-CGAN have high quality and diversity. Taking the Frechet Inception Distance(FID)as the evaluation index,the MD-CGAN proposed in this paper and the more classic generative networks in recent years are used to generate the images of brain tumor pathological regions and calculate the FID value. The experimental results show that the FID of our MD-CGAN is 26.43%,21.91%,and 12.78% lower than those of SAGAN,StyleGAN,and StyleGAN2,respectively. To further demonstrate the effectiveness of our proposed method,we use the generated brain tumor images to expand the training set and then train the segmentation models on this expanded dataset. The experimental results show that the performance of segmentation networks trained on the expanded dataset is better. Based on the above experimental results,it can be concluded that the brain tumor MR images generated by our proposed method have high quality and rich diversity. These samples can be used to expand the training set and effectively solve the problem that brain tumor MR images are insufficient.

    Key words:deep learning;magnetic resonance imaging;sample expansion;Generative Adversarial Networks (GAN)

    腦腫瘤是一種常見的腦部疾病,發(fā)病率及死亡率均較高,嚴重威脅著人類的健康.目前,對于腦腫瘤的診斷,主要還是依靠醫(yī)生對腦部磁共振(Magnetic Resonance,MR)圖像進行分析來完成,需要耗費大量的時間、精力,且易受主觀因素影響.

    近年來,隨著深度學習理論的發(fā)展,人工智能輔助的醫(yī)學圖像識別診斷技術在醫(yī)學領域得以應用,因此,采用深度學習輔助的診斷技術來進行腦腫瘤診斷的方法也引起了廣泛的關注.然而,基于醫(yī)學圖像隱私保護的特點,患者腦腫瘤圖像獲取難度大,導致樣本數(shù)量嚴重不足,影響深度學習模型對腦腫瘤圖像輔助診斷的效果[1].為解決腦腫瘤圖像樣本不足的問題,行之有效的方法是生成病理圖像進行樣本擴充[2].因此,研究圖像生成方法,生成高質量、豐富多樣性的腦腫瘤醫(yī)學圖像具有十分重要的意義.

    目前,用于圖像生成的方法主要包括兩大類:一是傳統(tǒng)方法,如旋轉、平移、翻轉等.在本質上并未對圖像核心內容進行改變且生成的圖像高度類似,容易使深度學習模型過擬合,該類方法并不適用于對醫(yī)學圖像進行擴充.二是基于深度學習的方法,如變分自編碼器(Variational Auto-Encoder,VAE)6和Goodfellow等人提出的生成對抗網(wǎng)絡(Generative Adversarial Networks,GAN)[4].VAE是一種將輸入的隨機噪聲映射為生成數(shù)據(jù)的圖像生成模型,主要由編碼器和解碼器組成.由于VAE生成的圖像與原圖的分布較接近,樣式比較單一且質量不高,因此,該模型也不適用于對醫(yī)學圖像進行擴充.GAN是近幾年應用廣泛的圖像生成模型,由一個生成器和一個判別器組成,生成器生成新的圖像,判別器判別生成圖像的真(真實的)假(生成的),兩者通過相互博弈不斷提高各自的能力,從而達到一種均衡狀態(tài).然而,GAN在訓練過程中存在模型易崩塌,難以收斂等問題,這會導致生成的圖像質量差且多樣性不足.為了解決這些問題,近年來,GAN的一些變體GANs被提出.Radford等人[5]提出深度卷積生成對抗網(wǎng)絡(Deep Convolutional Generative Adversarial Networks,DCGAN),加入了卷積層來代替全連接層,用以增強訓練過程的穩(wěn)定性,但是這種方法不能從根本上解決模型不穩(wěn)定的問題,生成器G和判別器D仍然較難達到平衡狀態(tài).Zhu等人[6]提出循環(huán)生成對抗網(wǎng)絡(Cycle-consistent Generative Adversarial Networks,CycleGAN),能將一個圖像域轉換生成到另外一個圖像域,但這種轉換通常是不穩(wěn)定的.Nguyen等人[7]提出的雙鑒別器生成對抗網(wǎng)絡(Dual Discriminator Generative Adversarial Networks,D2GAN)有兩個鑒別器,這兩個鑒別器仍然與一個生成器進行極大極小的博弈,一個鑒別器會給予真實圖像高分數(shù),而另外一個鑒別器卻給予生成圖像高分數(shù),在一定程度上提高了生成圖像的多樣性.Zhang等人[8]提出的自注意力生成對抗網(wǎng)絡(Self-Attention Generative Adversarial Networks,SAGAN)將自注意力層加入生成器和鑒別器中,使得生成模型更易學習到圖像全局特征之間的依賴關系,提高生成圖像的多樣性,但其計算負擔較大.Karras等人提出的StyleGAN[9]重新設計了生成器的網(wǎng)絡結構,但由于生成的圖像伴有偽影,故在2020年又提出了StyleGAN2[10],用于人臉圖像生成效果優(yōu)異.上述GANs雖在自然場景圖像和人臉圖像生成中表現(xiàn)良好,但面對樣本嚴重不足,且病理區(qū)域形狀、大小、位置等復雜多變的腦腫瘤病理圖像,其生成效果難以滿足醫(yī)學圖像智能診斷的需求.

    基于上述問題,本文提出多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(Multiple Discriminator Cycle-consistent Generative Adversarial Network,MD-CGAN)生成腦腫瘤病理區(qū)域圖像,而后將其與腦部正常圖像合成即可得到腦部腫瘤圖像,從而解決腦腫瘤圖像樣本不足的問題.實驗結果證明了所提方法的有效性和可靠性.

    1腦腫瘤圖像生成方法

    1.1腦腫瘤圖像生成方法流程框架

    基于MD-CGAN的腦腫瘤圖像生成方法框圖如圖1所示.

    1)腦腫瘤病理區(qū)域圖像生成:通過MD-CGAN 將腦部正常圖像子區(qū)域轉換生成腦腫瘤病理區(qū)域圖像.

    2)腦腫瘤圖像合成:利用所生成的腦腫瘤病理區(qū)域圖像覆蓋腦部正常圖像中的子區(qū)域,合成得到腦腫瘤圖像.

    1.2腫瘤病理區(qū)域圖像生成

    為了生成腦腫瘤圖像,首先利用MD-CGAN生成腦腫瘤病理區(qū)域圖像.MD-CGAN結構包括2個生成器G和F,4個鑒別器DX1、DX2、DY1和DY2,2個生成器共享相同的網(wǎng)絡參數(shù),4個鑒別器共享相同的網(wǎng)絡參數(shù).MD-CGAN結構如圖2所示,生成器和鑒別器的網(wǎng)絡參數(shù)配置如表1所示.

    生成器G用來生成假的腦腫瘤病理區(qū)域圖G(g),生成器F用來生成假的腦部正常圖像子區(qū)域F(b).鑒別器DX1和DX2用來區(qū)分腦部正常圖像子區(qū)域圖像的真假,鑒別器DY1和DY2用來區(qū)分腦腫瘤病理區(qū)域圖像的真假.特別地,鑒別器DX1和DY1給予真實圖像高分數(shù),對于生成圖像則給予低分數(shù);而鑒別器DX2和DY2則恰恰相反.

    所提圖像生成模型目標函數(shù)包括雙對抗損失(Dual Adversarial Loss)[7]函數(shù)和循環(huán)一致性損失(Cycle Consistency Loss)[6]函數(shù).

    1)對于生成器G,鑒別器DY1和DY2,雙對抗損失可表示為:

    Ldual(G;DY1;DY2;g;b)=Lgan(G;DY1;g;b)+λ1Lgan2(G;DY2;g;b)(1)

    式中:g代表真實正常區(qū)域子圖像域;b代表真實病理區(qū)域圖像域;λ1用來控制圖像間相似度和多樣性的相對重要性;Lgan與原始GAN網(wǎng)絡目標函數(shù)相同.Lgan2定義如下:

    相似地,對于生成器F,鑒別器DX1和DX2,可得雙對抗損失函數(shù)為:

    Ldual(F;DX1;DX2;b;g)=Lgan(F;DX1;b;g)+λ1Lgan2(F;DX2;b;g)(3)

    2)循環(huán)一致性損失主要用于保證通過正常區(qū)域圖像來生成病理區(qū)域圖像.定義如下:

    這里,對于生成器G,損失函數(shù)希望生成圖像G(g)的重建圖像F(G(g))接近于真實腦部正常圖像子區(qū)域圖像g.而對于生成器F,則希望生成圖像F(b)的重建圖像G(F(b))接近真實腦腫瘤病理區(qū)域圖像b.

    需要特別說明的是,雙對抗損失結合了KL散度和反向KL散度的差異,生成一個目標函數(shù);然后利用這些分支的互補統(tǒng)計特性捕捉分散預估密度,使得模型達到納什平衡,從而避免了模型崩塌,保證網(wǎng)絡生成的腦腫瘤病理區(qū)域圖像的質量和多樣性.循環(huán)一致性損失可以保證兩個領域的圖像建立一個一對一的映射,而不是多對一的映射.通過這種方式,所提出的生成模型可以更全面地學習到腦腫瘤的特征.同時,無腫瘤的腦部正常子區(qū)域圖像可以被逐一映射為有腫瘤的腦腫瘤病理區(qū)域圖像.因此,循環(huán)一致性損失使得MD-CGAN能夠利用無腫瘤的腦部正常圖像子區(qū)域生成有腫瘤的腦腫瘤病理區(qū)域圖像.

    3)依據(jù)前述內容,所提生成網(wǎng)絡模型(MDCGAN)的總體目標損失函數(shù)如下:

    LMD-CGAN=Ldual(G;DY1;DY2;g;b)+Ldual(F;DX1;DX2;b;g)+λLcyc(G,F(xiàn))

    式中:λ用來控制雙對抗損失和循環(huán)一致性損失的相對重要性.最終優(yōu)化實現(xiàn)目標見式(6).

    本網(wǎng)絡模型類似于原始GAN,采用折中訓練的方式來更新G、DY1和DY2以及F、DX1和DX2.

    1.3腦腫瘤圖像合成

    通過MD-CGAN模型生成得到腦腫瘤病理區(qū)域圖像后,腦腫瘤圖像可以通過以下步驟得到.

    1)將生成的腦腫瘤病理區(qū)域圖像中腫瘤部分截取成新的圖像,創(chuàng)建截取的腦腫瘤病理區(qū)域圖像和腦部正常圖像數(shù)據(jù)集.

    2)依據(jù)圖像邊緣紋理特征的相似性,將截取的腦腫瘤病理區(qū)域圖像與腦部正常圖像標記匹配.

    3)利用截取的腦腫瘤病理區(qū)域圖像覆蓋與其所匹配的腦部正常圖像的子區(qū)域,從而合成得到腦腫瘤圖像.

    2實驗結果與分析

    2.1實驗數(shù)據(jù)

    本文的腦部MR圖像數(shù)據(jù)樣本來自中南大學湘雅醫(yī)院.數(shù)據(jù)通過磁共振成像儀采集自122位高級別膠質瘤病人,每位病人的數(shù)據(jù)包括T1、T1加權和T2模態(tài),包含腦部腫瘤圖像和正常腦部圖像.在進行實驗之前,對所持的腦部MR圖像數(shù)據(jù)進行偏置場校正以及標準化等預處理.

    獲取的腦部MR圖像數(shù)據(jù)集樣本包含腦部腫瘤圖像和正常圖像,其中,腦部正常圖像約7 000 張,含腫瘤的腦部腫瘤圖像約800張,經(jīng)篩選后選其中的1 000張腦部正常圖像和500張腦腫瘤圖像作為實驗數(shù)據(jù),并對500張腦腫瘤圖像進行手工分割標簽(Ground Truth)制作.部分圖像樣本示例如圖3所示.圖3(a)為含有腫瘤的腦部病理圖像樣本,圖3(b)為腦部正常圖像樣本.

    2.2腦腫瘤病理區(qū)域圖像生成及實驗對比

    1)本文實驗環(huán)境配置為Ubuntu16.04操作系統(tǒng),NVIDIA RTX 2080Ti GPU,Intel Core i7-7820X CPU@ 3.50 GHzX12,Python 3.7,TensorFlow 1.14.0.

    對于所提圖像生成模型MD-CGAN的訓練,將λ設置為10,λ1設置為0.2,優(yōu)化器采用Adam[11],Batchsize設置為4.總的訓練周期為300 epochs,其中,對于前150 epochs,學習率為0.000 2,在后150 epochs 中,學習率按照線性衰減逐漸衰減為0.

    2)腦腫瘤圖像生成結果:圖4為MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像和合成的腦腫瘤圖像.由圖4可知,所生成的圖像具有良好的質量和豐富的多樣性.同時,生成的腦腫瘤圖像與真實腦腫瘤圖像具有高度相似性.因此,本文所提方法對于腦腫瘤圖像生成具有良好的性能.

    3)不同圖像生成方法對比:腦腫瘤病理區(qū)域圖像生成是本文所提腦腫瘤圖像生成方法的核心.因此,將本文所提腦腫瘤病理區(qū)域圖像生成模型MD- CGAN與近幾年典型的圖像生成模型SAGAN、Style- GAN和StyleGAN2進行對比,即分別用MD-CGAN、SAGAN、StyleGAN和StyleGAN2網(wǎng)絡模型生成腦腫瘤病理區(qū)域圖像,以驗證MD-CGAN模型的有效性和優(yōu)越性.圖5為SAGAN、StyleGAN、StyleGAN2和MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像.

    由圖5(a)可知,SAGAN模型生成的腦腫瘤病理區(qū)域的形狀等特征較類似,且圖像質量不高.由圖5(b)可知,StyleGAN模型生成的腦腫瘤病理區(qū)域圖像伴有偽影,不符合真實腦腫瘤病理區(qū)域圖像的特征分布.由圖5(c)可知,StyleGAN2模型生成的腦腫瘤病理區(qū)域圖像邊界不夠清晰.由圖5(d)可知,MD- CGAN模型生成的腦腫瘤病理區(qū)域圖像清晰且形態(tài)各異.由此可知,本文提出的MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像具有更高的質量和豐富的多樣性.

    為了進一步證明本文所提圖像生成模型的優(yōu)越性,采用Frechet Inception Distance (FID)[12]作為定量分析的評價指標.

    式中:μr、μg和∑r、∑g分別表示真實和生成的病理圖像的特征均值和方差.即用真實圖像與生成圖像提取特征向量后的均值和協(xié)方差的距離來評價,當生成圖片和真實圖片特征越相近時,均值之差的平方越小,協(xié)方差也越小,則FID值也越小,生成的圖像質量越高.

    表2為不同模型生成的病理區(qū)域圖像FID值對比.由表2可知,本文所提MD-CGAN模型圖像生成模型取得了最小的FID值,生成的腦腫瘤區(qū)域圖像的FID值相比于SAGAN、StyleGAN和StyleGAN2的值分別降低26.43%、21.91%、12.78%.由此可知,本文所提模型MD-CGAN性能更優(yōu)異.

    本文所提模型有效結合了雙對抗損失和循環(huán)一致性損失,雙對抗損失有效抑制了腦腫瘤病理區(qū)域圖像生成模型的崩塌問題,確保生成圖像的質量;循環(huán)一致性損失確保了利用腦部正常圖像子區(qū)域生成腦腫瘤病理區(qū)域圖像的可能性和可靠性,解決了腦腫瘤圖像樣本不充足的問題.

    2.3生成的腦腫瘤病理圖像用于樣本擴充

    為了進一步驗證本文所提腦腫瘤圖像生成方法的有效性,采用生成的腦部腫瘤圖像對原始數(shù)據(jù)集進行擴充,利用擴充前后的數(shù)據(jù)集分別訓練腦部腫瘤分割網(wǎng)絡模型,以驗證生成的圖像對模型性能的改善作用.采用U-Net[13]、ResUNet[14]、U-Net++[15]分割網(wǎng)絡進行腦部腫瘤分割實驗,先用原始的300張腦部腫瘤圖像訓練這3種分割網(wǎng)絡;而后將生成的328張腦腫瘤圖像加入原始數(shù)據(jù)集中,并用擴充后的數(shù)據(jù)集訓練這3種分割網(wǎng)絡;最后分別用相同的200 張原始腦腫瘤圖像進行分割性能測試,以Dice相似性系數(shù)(Dice Similarity Coefficient,DSC)和相對改善率(Relative Improvement,IMP)作為評價指標.表3 為用于分割實驗的腦部腫瘤圖像樣本分布,表4和表5分別為樣本擴充前后腦部腫瘤分割性能訓練結果和測試結果對比.

    從表4可以看出,在樣本擴充后的數(shù)據(jù)集上訓練的U-Net分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高0.26%;在樣本擴充后的數(shù)據(jù)集上訓練的ResUNet分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高0.62%;在樣本擴充后的數(shù)據(jù)集上訓練的U-Net++分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高3.77%.由表5可知,在樣本擴充后的數(shù)據(jù)集上測試的U-Net、ResUNet、U- Net++分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的精度分別高3.89%、17.88%、1.46%.

    從表4和表5可以看出,利用本文所提方法生成的腦部腫瘤圖像擴充數(shù)據(jù)集對分割模型的訓練和測試精度都具有改善作用,更有力地證明了本文所提腦腫瘤圖像生成方法的有效性,可用于腦腫瘤圖像數(shù)據(jù)樣本的擴充.

    3結論

    本文提出一種新的腦腫瘤圖像生成方法.首先,利用所提出的多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(MD-CGAN)生成腦腫瘤病理區(qū)域圖像;然后利用生成的腦腫瘤病理區(qū)域圖像覆蓋腦部正常圖像中的子區(qū)域從而最終合成得到腦腫瘤圖像.將本文所提MD-CGAN模型與近幾年較經(jīng)典的SAGAN、Style- GAN和StyleGAN2模型所生成腦腫瘤病理區(qū)域圖像進行對比分析,通過計算得出MD-CGAN模型的FID值最低,證明了所提模型在保證模型穩(wěn)定性的同時,能夠生成高質量的腦腫瘤病理區(qū)域圖像.為了進一步驗證所生成的腦腫瘤圖像的有效性,進行了腦部腫瘤圖像分割實驗,分別用原始的和擴充數(shù)據(jù)樣本后的腦腫瘤圖像數(shù)據(jù)集進行腦部腫瘤分割.實驗結果表明,U-Net、ResUNet、U-Net++分割模型在擴充樣本后的訓練和測試分割結果Dice相似性系數(shù)都比擴充前的高,由此進一步證明本文所提方法生成的腦腫瘤圖像具有豐富的多樣性,能夠有效且可靠地擴充腦腫瘤圖像數(shù)據(jù)集.

    參考文獻

    [1] SHIN H C,TENENHOLTZ N A,ROGERS J K,et al. Medical image synthesis for data augmentation and anonymization using generative adversarial netwrorks [C]//International Workshop on Simulation and Synthesis in Medical Imaging. Granada:MICCAI,2018:1-11.

    [2] POKA K B,SZEMENYEI M. Data augmentation powered by generative adversarial networks [C]//2020 23rd International Symposium on Measurement and Control in Robotics (ISMCR). Budapest:IEEE,2020:1-5.

    [3] CHUQUICUSMA M J M,HUSSEIN S,BURT J,et al. How to fool radiologists with generative adversarial networks?a visual Turing test for lung cancer diagnosis[C]//2018 IEEE 15th International Symposium on Biomedical Imaging(ISBI 2018). Washington DC:IEEE,2018:240-244.

    [4]GOODFELLOWI,POUGET-ABADIEJ,MIRZAM,et al. Generative adversarial networks [EB/OL].(2014-06-10)[2021-12- 01]. https://arxiv.org/abs/1406.2661.

    [5] RADFORD A,METZ L,CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks [EB/OL].(2015-11-19)[2021-12-01]. https://arxiv.org/ abs/1511.06434v2.

    [6] ZHU J Y,PARK T,ISOLA P,et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE International Conference on Computer Vision. NewYork:IEEE,2017:2223-2232.

    [7] NGUYEN T,LE T,VU H,et al. Dual discriminator generative adversarial nets [EB/OL].(2017-09-12)[2021-12-01]. https://arxiv.org/abs/1709.03831.

    [8] ZHANG H,GOODFELLOW I,METAXAS D,et al. Self-attention generative adversarial networks [C]//International conference on Machine Learning. Taiyuan:PMLR,2019:7354-7363.

    [9] KARRAS T,LAINE S,AILA T. A style-based generator architecture for generative adversarial networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach:IEEE,2019:4401-4410.

    [10] KARRAS T,LAINE S,AITTALA M,et al. Analyzing and improving the image quality of StyleGAN [C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Washington DC:IEEE,2020:8110-8119.

    [11] KINGMA D P,BA J. Adam:a method for stochastic optimization [EB/OL].(2014-12-22)[2021-12-01]. https://arxiv.org/abs/1412.6980.

    [12] BYNAGARI N B. GANs trained by a two time-scale update rule converge to a local nash equilibrium[J]. Asian Journal of Applied Science and Engineering,2019,8:25-34.

    [13] RONNEBERGER O,F(xiàn)ISCHER P,BROX T. U-net:convolutional networks for biomedical image segmentation [C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich:MICCAI,2015:234-241.

    [14] DIAKOGIANNIS F I,WALDNER F,CACCETTA P,et al. ResUNet-a:a deep learning framework for semantic segmentation of remotely sensed data[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2020,162:94-114.

    [15] ZHOU Z W,SIDDIQUEE M M R,TAJBAKHSH N,et al. U- Net++:redesigning skip connections to exploit multiscale features in image segmentation[J]. IEEE Transactions on Medical Imaging,2020,39(6):1856-1867.

    猜你喜歡
    生成對抗網(wǎng)絡深度學習
    基于GAN的圖像超分辨率方法研究
    軟件導刊(2019年6期)2019-07-08 03:41:08
    基于生成對抗網(wǎng)絡的深度學習能耗預測算法
    基于深度卷積生成對抗網(wǎng)絡模型的超分辨數(shù)據(jù)重建
    基于生成對抗網(wǎng)絡的圖片風格遷移
    軟件導刊(2018年6期)2018-09-04 09:37:16
    基于生成對抗網(wǎng)絡的人臉灰度圖上色
    非真實感繪制技術的發(fā)展綜述
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    MOOC與翻轉課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    麻豆成人av视频| 亚洲最大成人中文| 国产成人精品久久久久久| 免费观看a级毛片全部| 亚洲国产精品国产精品| 日本一本二区三区精品| 国产成人91sexporn| 美女视频免费永久观看网站| 国产乱人视频| 晚上一个人看的免费电影| 国产高清有码在线观看视频| 久久久久久国产a免费观看| 黑人高潮一二区| 亚洲精品色激情综合| 大片电影免费在线观看免费| 国产男女内射视频| 亚洲av免费在线观看| 国产真实伦视频高清在线观看| 22中文网久久字幕| 天天一区二区日本电影三级| 蜜桃久久精品国产亚洲av| 香蕉精品网在线| 久久精品国产鲁丝片午夜精品| 日本爱情动作片www.在线观看| 国产精品一区二区在线观看99| 亚洲在线观看片| 一本一本综合久久| 亚洲欧洲国产日韩| 亚洲av二区三区四区| 欧美日本视频| 国产成人免费无遮挡视频| 亚洲欧美成人综合另类久久久| 国产精品无大码| 汤姆久久久久久久影院中文字幕| av在线蜜桃| 亚洲欧美精品自产自拍| 国产成人一区二区在线| 99视频精品全部免费 在线| 久久国产乱子免费精品| av国产精品久久久久影院| 99热这里只有是精品在线观看| 联通29元200g的流量卡| 边亲边吃奶的免费视频| av一本久久久久| 热99国产精品久久久久久7| 乱码一卡2卡4卡精品| 伦理电影大哥的女人| 日韩欧美精品v在线| 国产精品精品国产色婷婷| 在线免费十八禁| 一级爰片在线观看| 纵有疾风起免费观看全集完整版| 国国产精品蜜臀av免费| 人妻系列 视频| 美女被艹到高潮喷水动态| 免费观看在线日韩| 九色成人免费人妻av| 一本一本综合久久| 另类亚洲欧美激情| 2021天堂中文幕一二区在线观| 91久久精品国产一区二区三区| 国产午夜福利久久久久久| 黄色怎么调成土黄色| 精品人妻熟女av久视频| 欧美变态另类bdsm刘玥| 亚洲自拍偷在线| 听说在线观看完整版免费高清| 日韩 亚洲 欧美在线| 国产探花在线观看一区二区| 日韩av在线免费看完整版不卡| 自拍欧美九色日韩亚洲蝌蚪91 | 乱码一卡2卡4卡精品| 女人久久www免费人成看片| 亚洲精品日韩av片在线观看| av在线播放精品| 国产精品久久久久久久久免| 久久女婷五月综合色啪小说 | 成年免费大片在线观看| 亚洲性久久影院| 2021天堂中文幕一二区在线观| 成人漫画全彩无遮挡| 狂野欧美白嫩少妇大欣赏| 午夜视频国产福利| 亚洲自拍偷在线| 在线观看美女被高潮喷水网站| 少妇熟女欧美另类| 日韩国内少妇激情av| 亚洲成人精品中文字幕电影| 亚洲国产精品成人综合色| 特大巨黑吊av在线直播| 全区人妻精品视频| 国产黄a三级三级三级人| 简卡轻食公司| 中文资源天堂在线| eeuss影院久久| 91在线精品国自产拍蜜月| 国产一级毛片在线| av天堂中文字幕网| 国产av不卡久久| 五月天丁香电影| 免费人成在线观看视频色| av网站免费在线观看视频| 有码 亚洲区| 中文乱码字字幕精品一区二区三区| 国产成人精品一,二区| 欧美三级亚洲精品| 综合色av麻豆| 久久久久久久国产电影| 99视频精品全部免费 在线| 亚洲一级一片aⅴ在线观看| 久久6这里有精品| 直男gayav资源| 一级毛片黄色毛片免费观看视频| 男女边吃奶边做爰视频| 女的被弄到高潮叫床怎么办| 免费观看av网站的网址| 我要看日韩黄色一级片| 熟妇人妻不卡中文字幕| 两个人的视频大全免费| 国产黄片视频在线免费观看| 久久精品国产鲁丝片午夜精品| 免费观看av网站的网址| 偷拍熟女少妇极品色| 91精品国产九色| 成人亚洲精品一区在线观看 | 欧美性猛交╳xxx乱大交人| 久热久热在线精品观看| 一级毛片黄色毛片免费观看视频| 听说在线观看完整版免费高清| 特大巨黑吊av在线直播| 永久网站在线| 偷拍熟女少妇极品色| 午夜精品国产一区二区电影 | 欧美激情在线99| 亚洲天堂国产精品一区在线| 午夜福利在线在线| 精品久久久久久久末码| 成人午夜精彩视频在线观看| 少妇丰满av| 午夜老司机福利剧场| 极品少妇高潮喷水抽搐| 久久久午夜欧美精品| 亚洲av一区综合| 成人亚洲精品av一区二区| 精品国产一区二区三区久久久樱花 | 日本免费在线观看一区| 丰满乱子伦码专区| 欧美高清性xxxxhd video| 精品熟女少妇av免费看| 午夜亚洲福利在线播放| 国产色婷婷99| 日本午夜av视频| 美女内射精品一级片tv| 成人欧美大片| 亚洲一区二区三区欧美精品 | 欧美三级亚洲精品| 色视频在线一区二区三区| 亚洲精品一区蜜桃| 亚洲av中文av极速乱| 国精品久久久久久国模美| videos熟女内射| 久久久亚洲精品成人影院| 精品少妇久久久久久888优播| 日日啪夜夜爽| 街头女战士在线观看网站| 丝袜美腿在线中文| 黄色欧美视频在线观看| eeuss影院久久| 国产亚洲精品久久久com| 亚洲av中文字字幕乱码综合| 一区二区av电影网| 亚洲欧美日韩另类电影网站 | 1000部很黄的大片| 丝袜美腿在线中文| 国产精品人妻久久久久久| 国产精品无大码| 精品久久久精品久久久| 91狼人影院| 久久99热这里只有精品18| 久久久久精品性色| 色网站视频免费| 精品一区在线观看国产| av在线app专区| 91午夜精品亚洲一区二区三区| 日韩成人av中文字幕在线观看| 国产大屁股一区二区在线视频| 亚洲精品视频女| 国产免费视频播放在线视频| 日韩成人伦理影院| 国产欧美另类精品又又久久亚洲欧美| 精品少妇黑人巨大在线播放| 精品久久久久久久久亚洲| 日韩免费高清中文字幕av| 欧美变态另类bdsm刘玥| 菩萨蛮人人尽说江南好唐韦庄| 国产精品99久久99久久久不卡 | 亚洲色图综合在线观看| 国产午夜精品一二区理论片| 少妇被粗大猛烈的视频| 最近的中文字幕免费完整| 久久久精品欧美日韩精品| 干丝袜人妻中文字幕| 一级毛片黄色毛片免费观看视频| 女人十人毛片免费观看3o分钟| 日韩视频在线欧美| 亚洲欧美成人综合另类久久久| 国产 精品1| 九草在线视频观看| 搡老乐熟女国产| 国产大屁股一区二区在线视频| 亚洲精品,欧美精品| 亚洲精品国产av成人精品| 国产精品人妻久久久久久| 国产成人91sexporn| 亚洲欧美日韩另类电影网站 | 日韩av在线免费看完整版不卡| 男男h啪啪无遮挡| 欧美潮喷喷水| 亚洲欧洲国产日韩| 一级黄片播放器| 九九在线视频观看精品| 日本爱情动作片www.在线观看| 国产免费又黄又爽又色| 久久99热这里只有精品18| 99热全是精品| 久久久久久九九精品二区国产| 天天躁日日操中文字幕| 亚洲,欧美,日韩| 国产精品人妻久久久影院| 国产精品久久久久久精品古装| 天堂中文最新版在线下载 | 联通29元200g的流量卡| 久久久久精品久久久久真实原创| 欧美丝袜亚洲另类| 岛国毛片在线播放| 久久精品综合一区二区三区| 男女那种视频在线观看| 亚洲欧美成人综合另类久久久| 亚洲欧美日韩另类电影网站 | 欧美亚洲 丝袜 人妻 在线| 一区二区三区乱码不卡18| 日韩成人伦理影院| 欧美另类一区| 免费少妇av软件| 99热国产这里只有精品6| 狂野欧美白嫩少妇大欣赏| 欧美区成人在线视频| 欧美一区二区亚洲| 精品久久久久久久人妻蜜臀av| 九九久久精品国产亚洲av麻豆| 国产乱来视频区| 日本免费在线观看一区| 欧美xxxx黑人xx丫x性爽| 人人妻人人爽人人添夜夜欢视频 | 日韩av不卡免费在线播放| 亚洲国产最新在线播放| 亚洲最大成人中文| 听说在线观看完整版免费高清| 午夜精品一区二区三区免费看| 少妇被粗大猛烈的视频| 成人二区视频| 亚洲精品久久久久久婷婷小说| 毛片女人毛片| 三级男女做爰猛烈吃奶摸视频| 久久综合国产亚洲精品| 赤兔流量卡办理| 各种免费的搞黄视频| 精品99又大又爽又粗少妇毛片| 亚洲精品自拍成人| 麻豆成人午夜福利视频| 午夜福利在线观看免费完整高清在| 69人妻影院| 久久久欧美国产精品| 亚洲av免费在线观看| 国产一级毛片在线| 91aial.com中文字幕在线观看| 好男人在线观看高清免费视频| 欧美最新免费一区二区三区| 国产精品精品国产色婷婷| 国产爽快片一区二区三区| 身体一侧抽搐| 久久鲁丝午夜福利片| 国产白丝娇喘喷水9色精品| 国产成人免费观看mmmm| av女优亚洲男人天堂| 欧美日本视频| 日韩制服骚丝袜av| 丝袜脚勾引网站| 国产成人一区二区在线| 美女主播在线视频| 欧美日韩国产mv在线观看视频 | 婷婷色av中文字幕| 国产一区二区三区综合在线观看 | 亚洲激情五月婷婷啪啪| 午夜免费鲁丝| 欧美成人午夜免费资源| 日本-黄色视频高清免费观看| 国产亚洲91精品色在线| 国产黄色视频一区二区在线观看| 亚洲性久久影院| 亚洲欧洲国产日韩| 国产精品熟女久久久久浪| 看黄色毛片网站| 国产 一区精品| 亚洲婷婷狠狠爱综合网| 国产淫语在线视频| 国产真实伦视频高清在线观看| 好男人视频免费观看在线| 亚洲丝袜综合中文字幕| 一区二区三区精品91| av卡一久久| 欧美97在线视频| 91aial.com中文字幕在线观看| 一二三四中文在线观看免费高清| 亚洲丝袜综合中文字幕| 麻豆国产97在线/欧美| 老师上课跳d突然被开到最大视频| 久久精品国产自在天天线| 免费看av在线观看网站| 亚洲熟女精品中文字幕| 国产一级毛片在线| 3wmmmm亚洲av在线观看| 如何舔出高潮| 欧美bdsm另类| 热re99久久精品国产66热6| freevideosex欧美| a级毛色黄片| 亚洲一区二区三区欧美精品 | 日本午夜av视频| 在线 av 中文字幕| 免费黄频网站在线观看国产| 人人妻人人看人人澡| 亚洲精品日韩av片在线观看| 久久6这里有精品| 在线观看人妻少妇| 国产乱人视频| av在线播放精品| 精品久久久噜噜| av免费观看日本| 男插女下体视频免费在线播放| 欧美高清成人免费视频www| 欧美bdsm另类| 丝袜脚勾引网站| 搞女人的毛片| 亚洲精品乱久久久久久| 日本黄色片子视频| 国产老妇女一区| 国产精品爽爽va在线观看网站| 午夜精品国产一区二区电影 | 久久久久久久久久人人人人人人| 一级片'在线观看视频| 啦啦啦啦在线视频资源| 美女脱内裤让男人舔精品视频| 激情 狠狠 欧美| 老师上课跳d突然被开到最大视频| 亚洲精品视频女| 大片免费播放器 马上看| 美女被艹到高潮喷水动态| 五月伊人婷婷丁香| 简卡轻食公司| 白带黄色成豆腐渣| 久久久国产一区二区| 中文字幕亚洲精品专区| 久久精品人妻少妇| 欧美日韩视频高清一区二区三区二| 日日啪夜夜爽| 麻豆久久精品国产亚洲av| 我要看日韩黄色一级片| 欧美 日韩 精品 国产| 天堂中文最新版在线下载 | 下体分泌物呈黄色| 97超碰精品成人国产| 久久精品久久久久久噜噜老黄| 亚洲国产色片| 精品少妇黑人巨大在线播放| 亚洲av男天堂| a级毛色黄片| 国产精品一区二区在线观看99| 夫妻午夜视频| 亚洲欧美日韩另类电影网站 | 真实男女啪啪啪动态图| 国产乱人视频| 色播亚洲综合网| 联通29元200g的流量卡| 精品久久久久久久久亚洲| 国产美女午夜福利| 三级经典国产精品| 国产一区二区亚洲精品在线观看| 18禁动态无遮挡网站| 午夜福利在线观看免费完整高清在| 久久综合国产亚洲精品| 亚洲天堂国产精品一区在线| 黄片无遮挡物在线观看| 日韩亚洲欧美综合| 成年版毛片免费区| 噜噜噜噜噜久久久久久91| 男女国产视频网站| 久久久久性生活片| 国产一区二区三区综合在线观看 | 黄色视频在线播放观看不卡| 九九在线视频观看精品| 国产免费视频播放在线视频| a级一级毛片免费在线观看| 七月丁香在线播放| 特大巨黑吊av在线直播| 亚洲精品,欧美精品| 欧美xxxx性猛交bbbb| 国产免费福利视频在线观看| 六月丁香七月| 免费大片黄手机在线观看| 一级毛片久久久久久久久女| 日日摸夜夜添夜夜添av毛片| 成人毛片60女人毛片免费| 高清av免费在线| 真实男女啪啪啪动态图| 国产精品秋霞免费鲁丝片| 国产精品久久久久久精品古装| 久久久亚洲精品成人影院| 在线 av 中文字幕| 日本黄大片高清| 日本一二三区视频观看| h日本视频在线播放| 听说在线观看完整版免费高清| 一级毛片aaaaaa免费看小| 精品一区二区免费观看| 韩国高清视频一区二区三区| 亚洲精品aⅴ在线观看| 18禁裸乳无遮挡免费网站照片| 日本一本二区三区精品| 亚洲色图av天堂| 日本与韩国留学比较| 少妇裸体淫交视频免费看高清| 国产亚洲av嫩草精品影院| 色视频www国产| 精品一区二区三卡| 美女脱内裤让男人舔精品视频| 少妇人妻久久综合中文| 热re99久久精品国产66热6| 少妇高潮的动态图| 久久久久精品久久久久真实原创| 久久6这里有精品| 精品99又大又爽又粗少妇毛片| 久久久久国产网址| 久久精品久久久久久噜噜老黄| 丝袜美腿在线中文| av黄色大香蕉| 精品久久久久久电影网| 日日啪夜夜爽| av免费在线看不卡| 亚洲精品一区蜜桃| 欧美日韩视频精品一区| 午夜老司机福利剧场| 九九爱精品视频在线观看| 久久久久久久久久人人人人人人| 卡戴珊不雅视频在线播放| 午夜免费男女啪啪视频观看| 2018国产大陆天天弄谢| 亚洲在线观看片| 亚洲一区二区三区欧美精品 | 久热这里只有精品99| 欧美日韩精品成人综合77777| 欧美性感艳星| 亚洲精品456在线播放app| 欧美老熟妇乱子伦牲交| 天天躁夜夜躁狠狠久久av| 高清av免费在线| 好男人在线观看高清免费视频| 久久久a久久爽久久v久久| 色网站视频免费| 久久99热这里只有精品18| 一个人观看的视频www高清免费观看| 免费看日本二区| 久久精品国产亚洲av涩爱| freevideosex欧美| 亚洲最大成人av| 免费在线观看成人毛片| 免费看不卡的av| 久久久亚洲精品成人影院| 国产亚洲午夜精品一区二区久久 | 久久精品国产亚洲av涩爱| 亚洲成人精品中文字幕电影| 亚洲av电影在线观看一区二区三区 | 午夜激情福利司机影院| 免费黄频网站在线观看国产| 熟女电影av网| 最近最新中文字幕免费大全7| 18禁在线无遮挡免费观看视频| 99久久人妻综合| 成人亚洲精品一区在线观看 | 尤物成人国产欧美一区二区三区| 亚洲av二区三区四区| 国产伦精品一区二区三区视频9| 六月丁香七月| 中文字幕人妻熟人妻熟丝袜美| 久久久久久久久久人人人人人人| 国产成人91sexporn| 春色校园在线视频观看| 秋霞伦理黄片| 一级a做视频免费观看| 免费人成在线观看视频色| 一级a做视频免费观看| 亚洲三级黄色毛片| 我的女老师完整版在线观看| 毛片女人毛片| 亚洲丝袜综合中文字幕| 久久久亚洲精品成人影院| 激情 狠狠 欧美| 成人二区视频| 一个人看的www免费观看视频| 日日撸夜夜添| 在线 av 中文字幕| 看黄色毛片网站| 免费看a级黄色片| 久久6这里有精品| 日日啪夜夜爽| 两个人的视频大全免费| 亚洲精品国产成人久久av| 女人被狂操c到高潮| 成人免费观看视频高清| 人体艺术视频欧美日本| 97超视频在线观看视频| 麻豆成人午夜福利视频| 熟女av电影| 久久精品久久久久久噜噜老黄| 午夜老司机福利剧场| 一级毛片aaaaaa免费看小| 久久99精品国语久久久| 国精品久久久久久国模美| av黄色大香蕉| 欧美精品人与动牲交sv欧美| 久久综合国产亚洲精品| 亚洲av成人精品一区久久| 亚洲av中文av极速乱| 国精品久久久久久国模美| 国产色爽女视频免费观看| 国产爱豆传媒在线观看| 视频中文字幕在线观看| 精品人妻一区二区三区麻豆| 边亲边吃奶的免费视频| 国产精品女同一区二区软件| 成年av动漫网址| 人妻夜夜爽99麻豆av| 久久人人爽av亚洲精品天堂 | 亚洲欧美清纯卡通| 日韩欧美一区视频在线观看 | 日韩成人av中文字幕在线观看| 日日啪夜夜爽| 亚洲精品乱码久久久久久按摩| 国产av国产精品国产| 别揉我奶头 嗯啊视频| 欧美老熟妇乱子伦牲交| 国内揄拍国产精品人妻在线| 久久精品久久精品一区二区三区| 三级国产精品片| 国产高清不卡午夜福利| 丰满乱子伦码专区| 国产爽快片一区二区三区| 我的老师免费观看完整版| 偷拍熟女少妇极品色| 中文在线观看免费www的网站| 亚洲精品视频女| 欧美xxxx黑人xx丫x性爽| 午夜视频国产福利| 亚洲欧洲国产日韩| 亚洲人与动物交配视频| 在线天堂最新版资源| 国产高清有码在线观看视频| 精品久久久久久久人妻蜜臀av| 久久久久久久久大av| 成人二区视频| 亚洲精品乱码久久久久久按摩| 亚洲欧美清纯卡通| 五月开心婷婷网| 久久影院123| 夜夜爽夜夜爽视频| 菩萨蛮人人尽说江南好唐韦庄| 超碰97精品在线观看| 两个人的视频大全免费| 日韩欧美精品免费久久| 久久鲁丝午夜福利片| 精品一区在线观看国产| 国产免费又黄又爽又色| 亚洲综合色惰| 中文字幕免费在线视频6| 亚洲欧美精品专区久久| 精品一区二区三区视频在线| 久久女婷五月综合色啪小说 | 亚洲av免费高清在线观看| 看十八女毛片水多多多| 欧美性感艳星| 国产午夜精品一二区理论片| 精品午夜福利在线看| 伊人久久国产一区二区| 少妇丰满av| 久热久热在线精品观看| 国产极品天堂在线| 亚洲最大成人手机在线| 亚洲av二区三区四区| 亚洲色图综合在线观看| 国产伦在线观看视频一区| 亚洲精品国产色婷婷电影| 国产淫语在线视频| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲一区二区三区欧美精品 | 久久久亚洲精品成人影院| 91精品国产九色| 又大又黄又爽视频免费| 中文字幕亚洲精品专区| 少妇人妻一区二区三区视频| 建设人人有责人人尽责人人享有的 | 国产成年人精品一区二区| 欧美97在线视频| 综合色av麻豆| 高清在线视频一区二区三区| 99热网站在线观看|